tensorflow学习之路——实现简单的卷积网络

使用tensorflow实现一个简单的卷积神经，使用的数据集是MNIST，本节将使用两个卷积层加一个全连接层，构建一个简单有代表性的卷积网络。

代码是按照书上的敲的，第一步就是导入数据库，设置节点的初始值，Tf.nn.conv2d是tensorflow中的2维卷积，参数x是输入，W是卷积的参数，比如【5,5,1,32】，前面两个数字代表卷积核的尺寸，第三个数字代表有几个通道，比如灰度图是1，彩色图是3.最后一个代表卷积的数量，总的实现代码如下：

1. from tensorflow.examples.tutorials.mnist import input_data  
2. import tensorflow as tf  
3. mnist = input_data.read_data_sets("MNSIT_data/", one_hot=True)  
4. sess = tf.InteractiveSession()  
5.   
6.   
7. # In[2]:  
8. #由于W和b在各层中均要用到，先定义乘函数。  
9. #tf.truncated_normal：截断正态分布，即限制范围的正态分布  
10. def weight_variable(shape):  
11.     initial = tf.truncated_normal(shape, stddev=0.1)  
12.     return tf.Variable(initial)  
13.   
14.   
15. # In[7]:  
16. #bias初始化值0.1.  
17. def bias_variable(shape):  
18.     initial = tf.constant(0.1, shape=shape)  
19.     return tf.Variable(initial)  
20.   
21.   
22. # In[12]:  
23. #tf.nn.conv2d:二维的卷积  
24. #conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,data_format=None, name=None)  
25. #filter:A 4-D tensor of shape  
26. #      `[filter_height, filter_width, in_channels, out_channels]`  
27. #strides:步长，都是1表示所有点都不会被遗漏。1-D 4值，表示每歌dim的移动步长。  
28. # padding:边界的处理方式，“SAME"、"VALID”可选  
29. def conv2d(x, W):  
30.     return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  
31.   
32. #tf.nn.max_pool:最大值池化函数，即求2*2区域的最大值，保留最显著的特征。  
33. #max_pool(value, ksize, strides, padding, data_format="NHWC", name=None)  
34. #ksize:池化窗口的尺寸  
35. #strides:[1,2,2,1]表示横竖方向步长为2  
36. def max_pool_2x2(x):  
37.     return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides = [1, 2, 2, 1], padding='SAME')  
38.   
39.   
40. x = tf.placeholder(tf.float32, [None, 784])  
41. y_ = tf.placeholder(tf.float32, [None, 10])  
42. #tf.reshape:tensor的变形函数。  
43. #-1：样本数量不固定  
44. #28,28：新形状的shape  
45. #1:颜色通道数  
46. x_image = tf.reshape(x, [-1, 28, 28, 1])  
47.   
48.   
49. #卷积层包含三部分：卷积计算、激活、池化  
50. #[5,5,1,32]表示卷积核的尺寸为5×5, 颜色通道为1, 有32个卷积核  
51. W_conv1 = weight_variable([5, 5, 1, 32])  
52. b_conv1 = bias_variable([32])  
53. h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)  
54. h_pool1 = max_pool_2x2(h_conv1)  
55.   
56.   
57. W_conv2 = weight_variable([5, 5, 32, 64])  
58. b_conv2 = bias_variable([64])  
59. h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)  
60. h_pool2 = max_pool_2x2(h_conv2)  
61.   
62.   
63. #经过2次2×2的池化后，图像的尺寸变为7×7,第二个卷积层有64个卷积核，生成64类特征，因此，卷积最后输出为7×7×64.  
64. #tensor进入全连接层之前，先将64张二维图像变形为1维图像，便于计算。  
65. W_fc1 = weight_variable([7*7*64, 1024])  
66. b_fc1 = bias_variable([1024])  
67. h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])  
68. h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  
69.   
70.   
71. #对全连接层做dropot  
72. keep_prob = tf.placeholder(tf.float32)  
73. h_fc1_dropout = tf.nn.dropout(h_fc1, keep_prob)  
74.   
75.   
76. #又一个全连接后foftmax分类  
77. W_fc2 = weight_variable([1024, 10])  
78. b_fc2 = bias_variable([10])  
79. y_conv = tf.nn.softmax(tf.matmul(h_fc1_dropout, W_fc2) + b_fc2)  
80.   
81.   
82. cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv), reduction_indices=[1]))  
83. #AdamOptimizer：Adam优化函数  
84. train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  
85.   
86.   
87.   
88. correct_prediction = tf.equal(tf.argmax(y_, 1), tf.argmax(y_conv, 1))  
89. accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
90.   
91.   
92. #训练，并且每100个batch计算一次精度  
93. tf.global_variables_initializer().run()  
94. for i in range(20000):  
95.     batch = mnist.train.next_batch(50)  
96.     if i%100 == 0:  
97.         train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_:batch[1], keep_prob:1.0})  
98.         print("step %d, training accuracy %g" %(i, train_accuracy))  
99.     train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob:0.5})  
100.   
101.   
102. #在测试集上测试  
103. print("test accuracy %g"%accuracy.eval(feed_dict={x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0}))  

最后

以上就是儒雅电灯胆为你收集整理的tensorflow学习之路——实现简单的卷积网络的全部内容，希望文章能够帮你解决tensorflow学习之路——实现简单的卷积网络所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。